• ESG评级分歧(Dis)显著降低企业全要素生产率(TFP)，基准回归结果稳健支持这一观点 [page::3][page::14]。

| 变量 | TFP(LP法) | 结果显著性 |
|--------|-------------|---------------|
| Dis | -0.0675 | p<0.01 |

• 绿色创新通过持有绿色专利数量(EI)测量，虽单独正向促进TFP发展，但在ESG评级分歧存在时，交互项回归显示其加剧了Dis对TFP的负面影响，体现绿色创新的“补救”与“漂绿”效应 [page::4][page::15][page::21]：

• 分析发现Dis通过加剧融资约束(WW与KZ指标)与削弱人力资本(持有本科及硕士学历员工数量)两大路径负向影响TFP [page::4][page::5][page::17][page::18]：

| 变量 | 影响路径 | 结果关键系数 |
|-------|----------------|---------------------|
| Dis | 提升融资约束 | WW,KZ皆显著正向影响融资约束 |
| Dis | 降低人力资本 | 持本/硕员工负相关系数显著 |

• 研究揭示ESG评级分歧对TFP的负面影响具有明显异质性，重点体现在国有企业、非资本密集型、低污染行业以及高科技企业中，提示这些主体对评级分歧尤为敏感并应重点关注 [page::6][page::19]。

- 机器学习XGBoost模型对TFP的非线性预测展示出比传统线性模型更优表现，且包含滞后一期Dis时模型R²提升6.23%，SHAP分析确认Dis及其滞后一阶段在TFP预测中贡献率分别为14%，负面效应明显且持续 [page::7][page::20][page::21][page::22]：

• 数据样本包含2015-2022年中国A股3656家企业，共13417个样本，数据主要来自CSMAR、CNRDS及四家国内ESG评级机构，分别使用LP、OP、GMM三种方法测算TFP，确保结果稳健 [page::2][page::13][page::23]。

金融研究报告详尽分析报告

一、元数据与概览

• 报告标题：《ESG Rating Disagreement and Corporate Total Factor Productivity: Inference and Prediction》

- 作者：Zhanli Li 和 Zichao Yang（中南财经政法大学文澜商学院）

• 发表时间：2024年，具体未注明发布日期

- 研究主题：探讨中国A股上市公司中环境、社会及治理（ESG）评级分歧（Disagreement）对企业全要素生产率（TFP）影响机制及预测能力

• 核心论点：ESG评级分歧会显著抑制企业TFP，尤其在国有、非资本密集、低污染及高科技企业中表现明显。绿色创新虽为缓冲机制之一，但在存在评级分歧时可能加剧TFP下降。同时，融资约束加剧和人力资本减弱是评级分歧导致TFP下降的重要传导机制。基于机器学习的XGBoost模型及SHAP值分析证实ESG评级分歧在TFP预测中具有显著解释力。

- 评级与目标价：报告未涉及传统股票评级和目标价，更多聚焦于理论和实证解释。

整体信息表达了ESG评级分歧作为环境、社会和治理相关非财务信息的模糊性风险，不仅影响企业短期市场表现，而且深刻影响企业的长期生产效率和可持续发展能力。[page::0]

---

二、逐节深度解读

1. 引言与研究背景

• ESG的起源和全球推动历程简述，强调中国近年来通过政府政策及指导文件致力于构建中国特色ESG评价体系。

- 介绍ESG评级分歧现象的普遍存在，说明其在中国市场多家评级机构间存在较大差异，导致投资者及利益相关者面临信息不对称。

• 现有研究主要关注评级分歧对市场表现（如股价收益、分析师预测误差等）的影响，却较少聚焦其对公司整体高质量发展的影响。

- 本文提出关注企业总要素生产率（TFP）作为衡量企业高质量发展的核心指标，尝试填补该研究空白。[page::1]

2. 理论分析与假设

• 指出ESG评级分歧加剧利益相关方认知混淆，放大信息不对称，导致融资难度上升，阻碍企业效率提升。

- 利用利益相关者理论推断，评级分歧或使公司采取绿色创新以缓解外部质疑，但若创新质量低或被视为“绿色洗牌”，则加重融资成本，反而抑制TFP提升。

• 评级分歧还可能引发公司内部和外部之间的利益冲突，导致关键人力资源流失，进一步压制生产率。

- 研究假设(H1)：ESG评级分歧降低企业总要素生产率。[page::1]

3. 数据与实证设计

• 样本：2015至2022年间中国A股非金融、非房地产上市公司，共计3656家公司、13,417个年度样本。

- ESG评级来源：中国四大国内评级机构——华证、Wind、SynTao Green Finance、Susallwave。

• 样本处理：剔除财务、房地产类，剔除ST等风险公司及缺失数据，1%截尾处理。

- TFP测算：使用LP（Levinsohn & Petrin, 2003）、OP（Olley & Pakes, 1992）和GMM（Blundell & Bond, 1998）三种方法，主分析采用LP测算的TFP。

• 异议指标（Dis）：通过四家评级机构的评级排名归一化数据，计算排名间的两两标准差作为评级分歧衡量标准。

- 控制变量：包括公司价值（TobinQ）、前十大股东持股比例（Top10）、上市年限（ListAge）、杠杆率（Lev）、公司规模（Size）、人均收入（Aug）、所有权比例（Der）等。[page::2][page::3]

4. 实证分析

4.1 基准回归

• 采用固定效应模型，控制时间、公司双重聚类错误项，结果显示：ESG评级分歧与TFP呈显著负相关，支持H1假设。

- 具体数值（LP法测算TFP）下，Dis系数约-0.0675，显著性高度达1%水平，表明评级分歧越大，企业TFP下降越明显。[page::4][page::14]

4.2 作用机制分析

4.2.1 绿色创新路径

• 以绿色专利数自然对数作为绿色创新的代理变量。

- 交互项模型显示，绿色创新本身提升TFP（无评级分歧时），但与ESG评级分歧交互项为负且显著，说明分歧存在时绿色创新对TFP反而有抑制作用。

• 这一现象被解释为“绿色洗牌”（greenwashing）效应，使得绿色创新变成企业修补形象的低质量行为，增加融资成本，抑制TFP提升。

- 分组回归进一步验证，只有在高分歧样本中该交互关系显著，反映评级分歧情况严重的企业更易被利益相关者质疑绿色创新质量。[page::4][page::15][page::16][page::21:figure 1]

4.2.2 融资约束路径

• 利用WW和KZ融资约束指数扩展机制验证。

- 回归结果表明，ESG评级分歧会显著增加企业融资约束，尤其在带有滞后一期Dis指标情况下仍保持显著。

• 融资约束加剧进一步导致TFP下降，契合信息不对称理论的逻辑链条。[page::5][page::17]

4.2.3 人力资本路径

• 以持有硕士、本科学历员工数量的自然对数指标衡量人力资本。

- 通过滞后及当期Dis回归员工学历数据，结果显示评级分歧显著抑制企业高学历人力资本的积累。

• 表明ESG评级分歧通过降低人力资本质量进而影响企业创新能力与效率，最终削弱TFP。

- 此机制强调了员工流失/人才缺失风险在评级分歧对企业效率负面影响中的重要地位。[page::5][page::18]

4.3 异质性分析

• 通过对样本企业根据企业性质（国有/非国有）、资本密集度、污染水平和技术密集度分层，执行分组回归。

- 结果显示，ESG评级分歧对TFP的负面效应在国有企业、非资本密集型、低污染企业和高科技企业中尤为显著。

• 理由分析：

- 非国有企业更主动优化ESG表现，故受到分歧影响较轻；
- 资本密集企业结构刚性强，对外部市场压力抵抗力大；
- 高污染企业受到更严格监管，影响相对稳定；
- 高科技企业对高质量人力资本依赖度高，员工流失削弱影响突出。

这表明企业特性对ESG评级分歧对TFP影响有调节作用，监管和企业应根据企业类型差异化管理风险。[page::6][page::19]

5. 机器学习方法与预测分析

• 利用XGBoost机器学习模型，结合Optuna参数优化与早停策略，分别构建三种模型：（1）包含当期Dis变量，（2）包含滞后一期Dis，（3）不包含Dis。

- 结果发现，包含Dis的模型在所有性能指标（MSE、RMSE、MAE、MAPE、R2）上均优于不含Dis模型，且XGBoost模型明显优于传统线性模型，证明ESG评级分歧不仅对TFP有影响，且具有较强的预测能力。

• 利用SHAP方法对模型特征贡献进行解释，Disb的平均绝对SHAP值贡献率达到14%，显示其在特征中占核心地位。

- SHAP Beeswarm图揭示：在高ESG分歧企业中，Dis显著抑制TFP；而在低评级分歧企业中，Dis小幅正向关联TFP，可能反映市场对轻微评级误差的容忍度较高，融资压力较小。

本方法的创新在于结合机器学习非线性处理能力和解读性分析，将评级分歧作为重要风险指标融入企业生产率预测框架，并提供潜在的预警机制。[page::6][page::7][page::20][page::21:figure 2][page::22:figure 3]

---

三、图表深度解读

Table 1：主要变量定义

• 明确列出TFP（LP、OP、GMM三法测算）、ESG评级分歧（Dis）、控制变量（TobinQ、Top10、ListAge等）的数据来源和计算方法。

- 绿色创新采用绿色专利数量对数，融资约束采用WW和KZ指数，人力资本以高学历员工数对数衡量。

• 便于理解后续多表格数据来源及变量构造基础。[page::13]

Table 2：基准回归结果

• 固定效应模型，控制组变量。

- Dis变量呈显著负向影响（LP法系数-0.0675，显著性0.01级别），表明评级分歧每增加一个单位，TFP显著降低。

• 控制变量如规模（Size）、营运能力（Aug）正向影响TFP，杠杆率（Lev）负向影响。

- R2值提升明显，说明模型解释效果较佳。[page::14]

Table 3 & Figure 1：绿色创新机制

• 绿色创新（EI）系数正向显著，单独促进TFP提升。

- 但DisEI交互项为负显著，揭示评级分歧使绿色创新对TFP的边际效应逆转。

• Figure 1用图形展现随着绿色创新指标变化，Dis对TFP的边际效应恶化趋势，绿色创新越发达，Dis对TFP负面影响加剧，置信区间清晰呈下降趋势。

- 该图为分歧情况下“绿色洗牌”提供可视化证据。[page::15][page::21]

Table 4：绿色创新异质性分析

• 将样本分为高Dis与低Dis两组。

- 高Dis组中DisEI显著负相关，低Dis组无显著影响。

• 定量显示高级绿色创新在分歧严重时反而带来TFP下降，支持上述理论机制。[page::16]

Table 5：融资约束机制

• Dis和Disb均正向显著影响WW和KZ指标，说明评级分歧使企业融资约束加剧。

- 负面融资环境限制了企业资源配置效率，间接压制TFP。

• 控制变量的方向与预期一致，验证了理论路径。[page::17]

Table 6：人力资本机制

• Dis对硕士及本科员工数均显著负向影响，尤其滞后期的Disb更显著。

- 表明评级分歧导致企业难以吸引或留住高学历员工，削弱人力资本质量，影响TFP。

• 其他控制变量调节作用合理，研究稳健。[page::18]

Table 7：异质性分析

• Dis对国有、非资本密集、低污染、高科技企业TFP负向影响最明显。

- Chow检验表明这些分组特征的差异显著。

• 表格清晰展示了分歧影响的行业属性差异，指导政策针对性调整。[page::19]

Table 8：XGBoost模型性能

• MSE、RMSE、MAE、MAPE和R2等指标清晰比较了三组模型表现。

- 包含Dis的模型（Set1、Set2）在训练和测试集均优于排除Dis的模型（Set3）。

• R2提升4.3%-6.23%，说明Dis的信息极具预测价值。

- 线性模型远逊色于XGBoost，强调非线性方法优势。[page::20]

Figures 2 & 3：SHAP解释

• Figure 2按照平均绝对SHAP值排序了模型特征重要性，Disb列居第三，占比14%，大于部分财务变量。

- Figure 3的beeswarm图揭示不同特征取值对模型输出的具体影响路径；高Disb多数对TFP产生负向影响，低Disb与TFP有时呈正相关。

• 色彩和数值分布动态体现了复杂非线性关系及阈值效应，强化了分歧变量的解释力和预测作用。[page::21][page::22]

---

四、估值分析

报告非典型，未直接涉及企业估值模型或股票目标价，研究焦点集中在企业运营效率（TFP）及其受ESG评级分歧影响的机理，揭示内在经济机制，而非市场价格估值。

---

五、风险因素评估

• 识别出的关键风险为ESG评级分歧本身带来的企业多种负面影响路径：融资约束加重、人力资本流失、绿色创新质量不高、信息不对称加剧。

- 报告强调这种分歧带来的系统性风险，影响企业长期成长与市场稳定。

• 虽未定量估计各风险概率，但通过多维实证分析明确表征其负面程度。

- 各机制风险间相互交织，呈现复杂的风险叠加效果。

---

六、批判性视角与细微差别

• 报告严格基于中国A股数据，评级分歧仅限四个国内评级机构，可能存在一定的样本和市场特异性。

- 对评级分歧计算方法虽沿用国际研究，但评级机构评判标准差异细节可能影响Dis数值的解释一致性。

• 绿色创新被解释为“绿色洗牌”，但该分类基于绿色专利数量，尚缺乏质量评估的直接证据，存在后续深入挖掘空间。

- 机器学习部分虽显示模型优越性，但因模型黑箱属性，经济学因果解释依然依赖传统回归，机理解释有待更加融合。

• 异质性分析揭示的产业特征差异十分关键，然而具体产业政策背景与市场行为亦可能影响结果的泛化。

- 报告在方法和结论之间保持良好平衡，尤其强化了ESG评级分歧的实务与监管意义，有较高的政策与实际应用价值。

---

七、结论性综合

本文基于中国A股2015-2022年企业数据，系统研究了ESG评级分歧对企业全要素生产率的负面影响，主要发现和贡献如下：

• 基准实证明确证实ESG评级分歧显著抑制企业TFP，实现理论假设H1的验证，显示非财务信息不一致性正负面功能兼具，但总体倾向增加企业运营负担而削弱生产力。

- 机制分析深入揭示绿色创新、融资约束与人力资本为评级分歧影响TFP的三条主要路径，其中绿色创新在分歧情景下反而削弱TFP，体现“绿色洗牌”风险。

• 异质性检验指出国有企业、非资本密集产业、低污染环境和高科技产业受分歧负面影响尤甚，表明企业性质在调整ESG信息风险影响中扮演重要角色。

- 机器学习与SHAP方法创新引入XGBoost模型建构非线性预测，结合SHAP解释，证实ESG评级分歧具备强大预测能力与且特征重要性稳定，尤其在评级分歧较大时对TFP的抑制作用更为明显。

• 政策建议强调企业需提升ESG信息披露质量，避免低质绿色创新，合理平衡融资与人力资本利益，监管层面应加强对绿色创新质量的监管，关注ESG评级分歧作为生产率风险预警指标。

综上，报告以丰富的理论逻辑、多方法实证及先进预测模型全方位阐释了ESG评级分歧对企业长远发展核心指标——TFP的复杂影响，具有较强的学术价值和实践指导意义。最终呼吁企业和监管机构高度重视ESG评级质量和一致性，以推动企业可持续发展和经济高质量增长。[page::0,1,2,3,4,5,6,7,8,13,14,15,16,17,18,19,20,21,22,25,26,27,28,29,30]

---

（全文1140字）

报告